Stat Arb

知識片段
什麼是因子？
我覺得直到我開始非常積極地交易它們之前，我從未真正理解這個概念。
因子並沒有什麼特別的，它們只是重要的阿爾法——僅此而已。
你用因子來說：
嘿，這些阿爾法解釋了大量的變異，我不想再找到它們。在加密貨幣中，這可能是一個動量因子，所以為了避免找到20個版本的同一效果，我們使用 xs 回歸來移除我們的動量特徵對回報的影響，然後可以用特定因子的回報來測試(回報減去由因子解釋的回報，基本上)。
第一個因子總是市場，因此在股票中，我們取S&P500的β，然後從資產中移除S&P的回報*β。這樣得到的是特殊回報（idiosyncratic return）。從這裡，我們可以進一步移除其他因子。
最終，因子只是一個你認為能解釋大量變異的阿爾法，除了它非常核心於你發現的很多事物之外，沒有什麼“基本”或特殊的。
阿爾法取決於你的研究內容。如果你在研究高頻交易（HFT）並預測1分鐘前的走勢，你仍然可以有因子。最著名的是訂單簿不平衡。如我所說，因子只是解釋大量變異的阿爾法，而且眾所周知，訂單簿不平衡在很大程度上解釋了變異，就像過去的回報* -1在1小時時間框架中解釋了大量變異一樣。這也是你經常會意外發現的阿爾法。在HFT的背景下，訂單簿不平衡並不代表任何風險調整後的回報，它只是一個我們經常在其他阿爾法中發現的效果，因此很重要將其從回報中剝離，避免將因子暴露(誤讀為我們已找到的因子暴露)

影響：
1小時反轉 (加密貨幣)
5-21天動能 (加密貨幣)
衰減效應 (加密貨幣)
小型股反溢價 (加密貨幣)
1-7天反轉 (股票)
長期行為特徵 (ts argmax) (也就是在過去3年中出現最大成交量暴增的人) (股票)
動能 (9-18個月) (股票)
許多相同的效應，不同的時間範圍

我發現加密貨幣的 alpha 傾向於在股票市場中有效，但在加密貨幣中卻不然。
** 特別是價格/成交量的 alpha，其他數據集無法相比 **

在網上挖掘WQ訓練資料，尋找新的轉換方法時，發現了一個來自詐騙團夥的寶藏，他們將Alpha複製貼上，冒充為WQ顧問

自從Claude代碼推出以來，出現了一群對算法交易感興趣的人，他們之前沒有足夠的智商來開發一個有效的交易算法，但現在卻自我標榜為RenTech。我聽說有人說他“在Jump與量子交流過”，並看到了秘密武器。

MM 知識 - 微價與公平價值：
我有時會被問到使用哪種公平價值指標最合適。選項通常包括：
- 標記價格
- 中間價
- 加權中間價
- 微價
一般來說，對於流動性較高的工具，中間價通常是正確的。也許有人會問如何在不同交易所之間進行加權 (例如成交量加權、未平倉合約加權，或者一些自訂方法)，但這是普遍接受的標準。
在期權方面，你常會發現流動性較低的期權最好使用標記價格或某種加權中間價，因為它們的訂單簿會有較大偏差。你可以嘗試不同的方法——對於流動性較高的期權，可能是中間價，或者也可以用加權中間價 (你可以玩玩這個，我認為這不應該是決定獲利能力的關鍵問題——如果有的話)，但對於流動性不足的工具，這會更為重要。
現在，我們來談微價。微價我認為既聰明又愚蠢。聰明的部分是那個 Stoikov 沒有發明的，早在他發表之前就已經存在了。那就是圍繞未來公平價值 (預測)進行報價，而不僅僅是當前的價值。
愚蠢的部分是他所使用的隱馬爾可夫模型——我認為這沒什麼用，並且這絕對不是在實務中構建市場做市商預測的方法。
對於一個典型的預測模型，我們可能會使用 ridge (在基本層面上)，然後結合各種特徵，從訂單簿失衡到更小眾的想法。對於我們的預測範圍：
這將由兩個因素決定。我們的標記退出點，以及我們的持倉時間。如果我們的標記退出點在5秒後沒有明顯變差，那麼我們就關心5秒，但如果你只持有3秒，那麼我們可能只

Rust 非常適合用於與 LLMs 搭配使用。在編譯器中自然檢查許多錯誤，並且作為一種語言非常高效。是一個如果你需要寫出高性能代碼的話，效果很好的選擇。

當我搭乘飛機或火車時，我會打開一個筆記檔案，然後坐著思考功能或賺更多錢的方法。\n\n這讓我的創意管道保持忙碌。

信不信由你，我發現，最強的特徵往往具有最線性化的行為。
這也顯然暗示了，只有在弱特徵中，特徵與未來回報的曲線才會顯得波動，這是缺乏信號的本質。
你可以在某些特定類型的特徵中找到一些非線性，但一般來說，它們與未來回報呈線性映射。

Grok 發現超過 3 夏普比率的 100 萬個 alpha。